给IT新人的15个建议:苦逼程序员的辛酸反省与总结


来源:http://blog.jobbole.com/22153/

很多人表面上看着老实巴交的,实际上内心比谁都好强、自负、虚荣、甚至阴险。工作中见的多了,也就习惯了。

有一些人,什么事都写在脸上,表面上经常得罪人,甚至让人讨厌。但是他们所表现的又未必不是真性情。

我相信大多数人都看过《豪门夜宴》这部香港老电影。张学友、梁朝伟演的拍马屁的场景太有意思了,其中有这样一段:当两马屁精帮老板说出主意,老板马上叫停,然后拍一下脑门:“哦,我想到了。”,把别人的idea当成自己的说出来。我在工作中还真不止一次遇到这种事,我提出来的想法老被别人拿来当作自己的原创,当然个别小偷洋洋得意的描述自己的‘原创’时还会偷偷的瞄我一下,看我有没有不高兴,,,我并没有不高兴,大概是因为想到那个电影段子被逗乐了。天下学术都一大抄,更何况什么想法,什么创新,通通都是浮云!君不见创新项目一大堆,都被抄死化成灰!但是不能因此而放弃创新,大地不可以因为有畜牲吃草而不复生机,山泉也不会因为有王八偷水而不冒活水。第一点:保持有一颗生机灵动的心。因为这个东西是别人偷不走的,也是最大的财富。如果你不俱备这个东西,那么请用一颗善心去培养它。人人都是耀眼的珍珠,只是被灰尘蒙蔽了眼。

记得刚进公司那会踏踏实实工作,满怀激情。不过第一周就把自己的顶头上司给得罪了,我并没有做错什么,记得当时还有同事帮我说话,后来慢慢发现他是一个相当自负的人。不过话说回来搞技术的在技术方面有几个不自负。这次事之后我并没有学乖。对于别人设计不合理的地方,我会指出来,并提出该如何做。对于语言基础薄弱,设计模式 薄弱的同事,我会好心推荐一些书籍 ,本是好心帮助别人,却并没有得到别人的感激。相反,大部分会觉得你看不起他们,更有甚者不但不会反思改进自己的弱点,反而打击报复”看不起“他的人。所以千万请记住第二点:不可以随便提意见。特别是新人,请务必保持低调。这一点在日常生活中同样实用。

与第二点相对,第三点:经常肯定、称赞同事的成果和进步。注意这里并不是要你去巴结讨好。常常看到别人的优点并加以肯定也是比较正面和必要的行为。这样不但可以增进关系,更重要的是可以鼓励别人。

我一直认为一个人没有自知之明就等同于垃圾。要随时随地知道自己小名叫什么。话说我有一位同事,基础相当薄弱,但又太爱去表现自己,经常到处指指点点,生怕别人不知道自己是“高手”。由于老开“黄腔”常被人背后偷笑而不自知。第四点:低调一些,谦虚一些,不断提高自己的实力。

进公司时所在部门是刚成立的,工作一段时间后,我发现由于部门团队开发的特殊性很有必要在公司通用编码规范基础上再制定内部的编码和设计规范,于是向上司提了我的想法,他同意了。于是我起草了一个内部规范手册。但是执行过程中,有人按手册来,有人不按手册来。产生这种局面的根本原因是上司并没有支持。在这里没有必要分析原因,直接给出要记住的第五点:不在其位,不言其事。做好本职工作就好。无论在什么地方,开明而大度的好上司并不多,所以这一点相当重要。

经常在开会讨论设计方案的时候,会发现一个非常有意思的事情。会议本来进行的正常而和谐,当轮到某个优秀的人上去讲的时候,气氛一下子不和谐了。大家都迫不及待的想挑出他的毛病,就算没理解别人的意思也会乱说一气。秀才遇到兵了,以前实习的公司中也时常见到这种情况。每当此时我都会在下面感叹:好一幅百鸟”嘲“凤图。请记住第六点:木秀于林风必摧之,要懂得韬光养晦,不要时时锋芒毕露。

公司里有个老员工,实力比较强,算是一个独挡一面的人。不过在一次部门改组中并没有得到提升,被提升为经理的反而是一个能力不算太强,还比他晚来的人。在此之前我听到过那个老员工在和其它公司接触并准备跳槽的传闻。第七点:不到最后一刻,自己离职的想法决不可以和公司内部任何人分享。因为站在公司的角度来看你已经不忠诚了,不愿意重用你了。但是在员工自己的立场来看,公司给的待遇与能力不成正比、不认同公司的文化、想换个环境、想要一个更好的发展机会,这些都是合情合理的。我个人发现一个规律:在一般的公司里,凡是坚持到最后经受住了“考验”的“忠诚”者,往往都是没什么能力的庸才。如果你是一个公司高层管理者,那么你会如何对待类似的“叛徒”呢?

第八点:不得罪办公室里的女人。此处女人定义如下:(1)国宝级的女程序员;(2)女测试,这个不稀罕 ;(3)女助理,到处都是;(4)女上司,这个最要命!   男的处在一起,有什么冲突矛盾吵吵过了就忘了。但女的不一样,一不小心就得罪了,后边一逮到机会就会摆你一道,还没完没了!最要命的是:背地里狠狠的阴你,而当着面表现得像你温馨的亲人。

我们研发中心有个领导很可爱,不太清楚上面给他灌了什么迷魂汤,以至于自己职位被降了,职权被销了很大一部分,还整天手舞足蹈高兴得很。事后一两个月才反应过来不对劲,然后整天愁眉苦脸、、、、、、以这种交际反应的速度,被撤是必然的事情,确实不适合搞管理。技术男大多脑袋是‘方’的,不太善与处理人际关系。第九点:加强交际能力。程序员 大多还算是聪明的,平常稍稍注意一下就没什么大问题。不过不要自我感觉良好,我们公司有个工作了十多年的IT男,几年前就开始被派除去和客户沟通,丫的,至今那一口吞吞吐吐的蹩脚的普通话让人听了就伤心。

第十点:若无特殊情况,一定不要跨级汇报。这一点细节很重要。某种意义上你的顶头上司就是你的老板,直接决定了你的发展,你就是他手下的兵。并不是谁官大就听谁的,要不然历史上那么多兵变都不可能成功,因为大家都只听皇帝的,呵呵。从另一个方面讲,你‘忠于’你上司的上司,他也不敢用你,因为谁知道提拔你之后,你会不会再越一次级?!!

第十一点:要善于向上司汇报工作。国家干部是不是人民的公仆本人不太清楚。但公司里那些大大小小的管理者一定是(如果不是这样那他就不是一个好上司)!那群夹板男,看着是个官,其实过得很苦。既要应付好上面的领导,又要充分调动下面群众做出业绩,整天搞得焦头烂额。上面的唱白脸,那么夹板男就唱黑脸。总之挺不容易。他们的猜疑心很重!时常会怀疑下面的人没尽心工作。虽然一般公司都有什么任务分配管理系统,但是那东西远远不够。你需要找准时机让他清楚你工作进展,你所做出的努力。

第十二点:不要轻易造成情绪污染。不要因为你一个人不高兴,而让别人都看你的脸色。要学会雪藏自己的情绪。你若是一个领导,那这一点就太要紧了。

第十三点:一举一动找准自己的位置、别人的位置。比如:吃饭时的座次,照相时的排列位置,群发邮件时收件人的排名顺序,文档作者的位置顺序。这些都很重要。《易经》中有讲:明相位,立德业。要是你连自己在哪儿都不知道,你又如何到得了目的地。

第十四点:没有必要做一个愤青。刚毕业那会,我很愤青,看不惯这看不惯那。但是又能怎么样呢?弱肉强食的本质从来没有改变过,你要学会尝试去理解这个社会,理解种种关系。到某个时候你会发现:一切理所当然。你若真的不满意某个现状,那么就去尽自己的能力去改变它。势者,不均也!均则无势。

第十五点:记住别人的善,忘记别人的恶。一个人心里不应该有太多仇恨,仇恨是别人扔给你的垃圾,你又不是垃圾桶,老装着它做什么?在公司当算法工程师近三年了,别人怎么对我,我的心里跟明镜似的一清二楚。对我不好的人我并没太在意,更别说去报复。相反,他们有事要我帮忙的时候,我总能真心实意的去帮,甚至主动帮忙解决问题。这是这几年来,我对自己唯一满意的一点。我相信一句话:活着就是修行。但是你得清楚你修的是善行还是恶行。

毕业三年了,看看走过的路,总觉的有点荒凉。确实真正明白了许多道理。感谢帮助过我的人,也感谢打击过我的人。也许一个人只有亲身经历了困难才可能真正成长起来,由此我不得不感叹造化的残酷。

老程序员给年轻人的建议和忠告 给程序员的20条建议 老程序员给年轻人的建议和忠告 老程序员的共识 给程序员的20条建议 立即下载

相关推荐

Sparse4Dv3

instance_feature也设置为nn.Parameter。修正分支2*(linear->relu->linear->relu->layernorm)->linear->scale,分类分枝2*(linear->relu->layernorm)->linear(256,9),质量评估分枝2*(linear->relu->layernorm)->linear(256,2)。每组两类instance,1是加上范围(-x,x)内均匀分布噪声,2是加上(-2x,-x)U(x,2x)范围内均匀分布噪声。

yuanl15的博客 1351

给IT新人的15点建议:苦逼程序员的辛酸反省与总结

很多人表面上看着老实巴交的,实际上内心比谁都好强、自负、虚荣、甚至阴险。工作中见的多了,也就习惯了。 有一些人,什么事都写在脸上,表面上经常得罪人,甚至让人讨厌。但是他们所表现的又未必不是真性情。 我相信大多数人都看过《豪门夜宴》这部香港老电影。张学友、梁朝伟演的拍马屁的场景太有意思了,其中有这样一段:当两马屁精帮老板说出主意,老板马上叫停,然后拍一下脑门:“哦。。。我想到了。。。”,把别...

编程资料大全 654

ZYNQ裸机LWIP双网口实现

文章目录前言一、LWIP双网口二、使用步骤1.部分说明2.部分代码总结 前言 一、LWIP双网口 由于项目需要多通讯口,查阅资料发现lwip支持多网口操作。于是,就开搞了。 二、使用步骤 1.部分说明 利用xemac_add函数在网卡链表中添加一个网卡,即使用netif块重复xemac_add操作。 先用轮询的方式实现双网口,后期修改为中断模式 2.部分代码 导入官方例程LWip echo server, 修改main函数,增加一个netif块 #if LWIP_IPV6==0 #if L..

weixin_35865280的博客 1万+

it 部门的建议_实现遗留IT系统现代化的10个建议

点击上方“蓝色字体”,选择 “设为星标”关键讯息,D1时间送达!IT的现代化是建立一个敏捷的、响应迅速的企业的关键组成部分。IT领导者们就如何将传统技术转化为数字资产提供了建议。今年的非同寻常的事件强调了对现代技术环境的需求,即一个足够敏捷、反应迅速的技术环境,能够满足快速变化的业务动态--无论是新兴的收入机会还是在家办公的任务。这就意味着要有一个可以使遗留应用程序现代化的战略计划。“摆...

weixin_39756481的博客 1378

国内合规开通ChatGPT Plus实操指南:银行卡绑卡与支付全解析

ChatGPT Plus 是 OpenAI 官方推出的高级订阅服务,基于 GPT-4o 多模态大模型提供语音交互、图像理解与长上下文处理能力。其核心使用前提在于完成合规的国际支付绑定,而非网络接入方式。技术原理上,OpenAI 采用 Stripe 支付网关进行风控校验,重点匹配银行跨境权限、卡片类型(仅支持 Visa/Mastercard/Amex 信用卡)、BIN 号段及地理位置一致性。该机制决定了95%的绑卡失败源于银行端配置缺失或卡片不兼容,而非网络问题。实际应用中,PayPal 作为中间支付层可显著

chuannaoxuan4674的博客 1967

【数学建模】编程手学习路线

在学习过程中,建议注重理论与实践相结合,多进行实例练习和项目实践,以巩固所学知识并提升实际应用能力。同时,保持对新技术和新方法的关注和学习,不断提升自己的专业素养和竞争力。NumPy、Pandas、Matplotlib和Seaborn等库是数据处理和可视化的重要工具。掌握常用机器学习算法的原理和应用,如决策树、支持向量机、神经网络等。学习内容包括微积分、线性方程组、矩阵运算、概率分布、统计推断等。学习内容包括基本语法、函数和模块、面向对象编程、文件操作等。深入了解优化理论和方法,如梯度下降法、牛顿法等。

2301_79586491的博客 2962

10年大厂程序员的3点建议!

一点建议分享

kami_ochin_akane的博客 514

【论文泛读|附源码】如何进行动力学重构? 神经网络自动编码器结合SINDy发现数据背后蕴含的方程

这一篇文章叫做 **数据驱动**的**坐标发现与方程发现算法**。想回答的问题很简单,就是根据数据写方程。 想想牛顿的处境,如何根据各种不同物体下落的数据,写出万有引力的数学公式的。这篇文章就是来做这件事的。当然,这篇论文并没有从牛顿视角,完全去思考牛顿所想。而是利用现有的**深度学习技术** 和 **动力学重构的方法** 。提出了一种框架,基于现有的计算机技术,去发现物质运动背后的物理规律。 这里直接给出这篇方法的核心思路图,我们后面会逐个讲解。

qq5q13638的博客 2456

程序员最有价值的18条建议

Keep It Simple, Stupid. 是指在设计当中应当注重简约的原则。保持简单(避免复杂)永远是你应该做的第一件事,简单的代码不仅写起来简单、不容易出Bug,还易于维护,让人使用和理解都是顺其自然、轻轻松松,而不是让人费劲心思的去消化。总结工程专业人员在设计过程中的经验,大多数系统的设计应保持简洁和单纯,而不掺入非必要的复杂性,这样的系统运作成效会取得最优,而且不会出意外问题。因此简单性应该是设计中的关键目标,尽量回避免不必要的复杂性。

chanyue123的博客 1468

树莓派5安装ROS1避坑指南:从系统配置到cmake报错全解决

本文详细介绍了在树莓派5上安装ROS1的完整流程,包括系统配置、环境变量设置、cmake报错解决等关键步骤。针对树莓派5的ARM架构特性,提供了从基础安装到高级调试的系统级解决方案,帮助开发者高效部署ROS1并避免常见编译陷阱。特别针对cmake报错问题,给出了深度解析和实用修复方法。

spark7igniter的博客 233

Python爬虫:爬取拼多多平台商品信息、销量、价格等数据

在本篇博客中,我们将深入探讨如何使用Python爬虫技术爬取拼多多平台的商品信息,包括商品的标题、销量、价格等详细数据。拼多多的商品页面通常是分页展示的,因此我们需要遍历多个页面,获取所有商品的信息。每个商品在拼多多平台上都有一个唯一的商品ID,我们可以通过该ID访问商品页面。通过以上的技术方案和代码示例,你已经掌握了如何使用Python爬虫获取拼多多平台上的商品信息、销量、价格等数据。等技术,解决拼多多平台的反爬虫机制,成功抓取我们所需的商品数据。,我们能够应对拼多多的反爬虫机制,稳定地获取到商品数据。

2201_76125261的博客 3656

给IT人的15点建议:苦逼程序员的辛酸反省与总结

很多人表面上看着老实巴交的,实际上内心比谁都好强、自负、虚荣、甚至阴险。工作中见的多了,也就习惯了。 有一些人,什么事都写在脸上,表面上经常得罪人,甚至让人讨厌。但是他们所表现的又未必不是真性情。 我相信大多数人都看过《豪门夜宴》这部香港老电影。张学友、梁朝伟演的拍马屁的场景太有意思了,其中有这样一段:当两马屁精帮老板说出主意,老板马上叫停,然后拍一下脑门:“哦…我想到了…”,把别人的 idea ...

本人秃顶程序员的博客 333

Claude Code、Codex、Gemini CLI、OpenCode 和 OpenClaw 配置管理太麻烦?试试这个统一管理工具

还在为 Claude Code、Codex、Gemini CLI 等 AI CLI 配置烦恼?🤯 这款桌面工具支持五大助手统一管理,一键切换 50+ 服务商,MCP 和 Skills 集中管理 🛠️,跨平台支持,让你的 AI 编程更高效 ⚡

XiaoqiangClub的博客 913

给IT新人的15点建议:苦逼程序员的辛酸反省与总结 《转》

转自: http://www.cnblogs.com/rollenholt/archive/2012/06/23/2559530.html 给IT新人的15点建议:苦逼程序员的辛酸反省与总结 《转》 【给IT新人的15点建议:苦逼程序员的辛酸反省与总结】 1、保持一颗生机灵动的心; 2、不随便提意见; 3、常称赞同事; 4、低调一些,

happy08god的专栏 1568

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

给IT新人的15点建议:苦逼程序员的辛酸反省与总结。(转)

前些日子特别烦躁,出差后,没时间烦躁。 恰巧近期对一些事物有所感触,总是自我总结,反省过于”具体化”,这次准备分享点技术之外的东西,故出此文。 1. 回家还是外出打工 刚毕业的学生几乎都面临这么一个选择。 有一种说法,家中有关系的毕业了才回来,没关系的只能在外打拼。 从我本人来说,或许是吃不到葡萄说葡萄酸的心理,反正我是不甘心去做那”安稳”的工作。 先说说两者之间的差别

释迦不加糖、 1175

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

程序人生 - 给IT新人的15点建议:苦逼程序员的辛酸反省与总结

作者:pozen 链接:https://blog.youkuaiyun.com/pozen/article/details/7583820 很多人表面上看着老实巴交的,实际上内心比谁都好强、自负、虚荣、甚至阴险。工作中见的多了,也就习惯了。 有一些人,什么事都写在脸上,表面上经常得罪人,甚至让人讨厌。但是他们所表现的又未必不是真性情。   我相信大多数人都看过《豪门夜宴》这部香港老电影。张学友、...

698

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

给IT新人的15个建议:苦逼程序员的辛酸反省与总结!

很多人表面上看着老实巴交的,实际上内心比谁都好强、自负、虚荣、甚至阴险。工作中见的多了,也就习惯了。    有一些人,什么事都写在脸上,表面上经常得罪人,甚至让人讨厌。但是他们所表现的又未必不是真性情。   我相信大多数人都看过《豪门夜宴》这部香港老电影。张学友、梁朝伟演的拍马屁的场景太有意思了,其中有这样一段:当两马屁精帮老板说出主意,老板马上叫 停,然后拍一下脑门:“哦。。。我想到了。

小明知道的专栏 1884

【转】给IT新人的15点建议:苦逼程序员的辛酸反省与总结

给IT新人的15点建议:苦逼程序员的辛酸反省与总结 http://blog.youkuaiyun.com/pozen/article/details/7583820 很多人表面上看着老实巴交的,实际上内心比谁都好强、自负、虚荣、甚至阴险。工作中见的多了,也就习惯了。 有一些人,什么事都写在脸上,表面上经常得罪人,甚至让人讨厌。但是他们所表现的又未必不是真性情。 我相信大多数人都看过《豪

三少GG 1267
上一篇: 堆和堆栈的区别
下一篇: Spring整合Struts1.x的方法总结
gufengjava
博客等级 码龄16年 1粉丝 59原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值